Перейти на ноль

В середине 2000-х годов система сжатого воздуха на заводе Toyota North America в Джорджтауне, штат Кентукки, выходила из строя в среднем более одного раза в год. Это заставило некоторых на заводе задаться вопросом, может ли использование машинного обучения и искусственного интеллекта решить эту проблему, обеспечивая обнаружение аномалий, идентификацию неисправностей и, что наиболее важно, прогнозирование надвигающихся сбоев до того, как они произойдут.

Незапланированный простой системы сжатого воздуха, конечно, означал, что проблема возникла на всем заводе. В покрасочном цехе для окраски новых автомобилей использовался сжатый воздух. Система оживила пневматические инструменты, и ничто не могло сравниться со сжатым воздухом для сдувания песка и других остатков.

Поскольку готовый автомобиль скатывался с одной из трех линий завода каждые 25 секунд в течение двух смен, последствия были серьезными в случае выхода из строя системы подачи сжатого воздуха.

«Затраты, если линия выйдет из строя, огромны», — сказал Марк Ракер, руководитель проекта и эксперт по электротехнике на заводе. «Таким образом, существует хороший стимул иметь хорошее, надежное и стабильное коммунальное предприятие».

Система сжатого воздуха стоимостью в несколько миллионов долларов состоит из дюжины центробежных воздушных компрессоров Ingersoll Rand, каждый размером с небольшой полуприцеп. Лопатки конечной ступени каждого компрессора вращаются со скоростью 20 000 об/мин в доли дюйма от корпуса. Если лезвие хоть немного выходит за пределы технических характеристик и касается корпуса, ему конец. Вся машина должна быть восстановлена, что обойдется примерно в 100 000 долларов.

Однако колебание лезвия не является причиной аварии; это результат.

Авария — также известная как скачок или обратный поток — происходит, когда что-то заставляет нормальный поток воздуха от компрессора к трубе попытаться изменить свое направление, и воздух в трубе отталкивается назад.

Частота, стоимость и последствия аварий побудили Toyota обратиться за помощью к Джею Ли, директору-основателю компании Intelligent Maintenance Systems.

В начале нового тысячелетия, до звонка из Toyota, Ли был профессором инженерного дела в Университете Цинциннати, который представлял себе, что все машины на заводе подключены и предоставляют данные для интеллектуального обслуживания. Однако в то время большая часть технологий, необходимых для воплощения видения Ли в жизнь, еще не существовала.

«Двадцать лет назад очень немногие люди верили, что это возможно», — сказал Ли, который в настоящее время находится в отпуске от преподавания и является вице-председателем и членом правления Foxconn Technology Group в Висконсине.

В его индустриальном видении машины подобны пациентам, а данные, собранные с датчиков, контролирующих машины, предоставляют информацию об их здоровье. Эксперты делают прогнозы, интерпретируя данные, которые они собирают и анализируют.

«Я сказал: «Почему бы не проверить кровь машины?» И что это за кровь у машины? — сказал Ли. "Данные. Вопрос в том, «Какие данные вы хотите получить?» Это зависит от того, что вы хотите проанализировать. Нам необходимо понять контекст и содержание, а также сформулировать модель взаимоотношений между невидимыми неизвестными».

В данных скрыт смысл девиантного поведения машины или процесса. Раскрытие этого значения приводит к прогнозированию качества, определению стабильности машины или процесса и предотвращению потенциальных сбоев. «Это именно то, чем сегодня является Индустрия 4.0», — сказал Ли.

Термин «Индустрия 4.0», конечно, не был популяризирован примерно до момента инициативы правительства Германии в 2013 году.

Придя в Toyota, Ли и его команда аналитиков данных объединились с Ракером и группой квалифицированных рабочих по техническому обслуживанию и инженеров предприятий, чтобы решить проблему системы сжатого воздуха.

Простота их вопросов противоречила сложности предстоящей задачи.

«Можем ли мы предсказать проблему обратного потока до того, как она приведет к аварии?» - сказал Ракер. «Можем ли мы увидеть, как что-то развивается со временем, чтобы что-то с этим сделать?»

В течение нескольких месяцев проб и ошибок в 2005 году команда собрала и проанализировала высокоточные данные с одного из компрессоров и искала аномалии. Иногда команда создавала условия всплеска или приближения к всплеску, чтобы заставить машину начать проявлять отклоняющееся поведение и посмотреть, как это выглядит в наборе данных.